单位向量的定义和举例说明

单位向量是指长度为 1 的向量。在数学中,单位向量通常用于表示方向,因为它只有方向信息,而没有大小信息。

单位向量的定义:

一个向量 v \mathbf{v} v 被称为单位向量 ,如果它的**模(长度)**等于 1,即:
∥ v ∥ = 1 \|\mathbf{v}\| = 1 ∥v∥=1

其中 ∥ v ∥ \|\mathbf{v}\| ∥v∥ 表示向量的欧几里得长度,定义为:
∥ v ∥ = v 1 2 + v 2 2 + ⋯ + v n 2 \|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2} ∥v∥=v12+v22+⋯+vn2

对于一个向量 v \mathbf{v} v 来说,如果它不是单位向量,则可以通过将它除以它的模来将其标准化为单位向量:
v ^ = v ∥ v ∥ \hat{\mathbf{v}} = \frac{\mathbf{v}}{\|\mathbf{v}\|} v^=∥v∥v

其中, v ^ \hat{\mathbf{v}} v^ 是向量 v \mathbf{v} v 的单位向量。

举例说明:

1. 二维空间的单位向量:

在二维空间(平面)中,一个常见的单位向量是:
v = 1 0 \mathbf{v} = \begin{bmatrix} 1 \\ 0 \end{bmatrix} v=10

  • 这个向量在 x x x 轴上,并且它的长度为 1:
    ∥ v ∥ = 1 2 + 0 2 = 1 \|\mathbf{v}\| = \sqrt{1^2 + 0^2} = 1 ∥v∥=12+02 =1

另一个二维单位向量例子:
v = 1 2 1 2 \mathbf{v} = \begin{bmatrix} \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{bmatrix} v=2 12 1

  • 这个向量与 x x x 轴正方向形成 45 度角,它的长度为:
    ∥ v ∥ = ( 1 2 ) 2 + ( 1 2 ) 2 = 1 2 + 1 2 = 1 = 1 \|\mathbf{v}\| = \sqrt{\left(\frac{1}{\sqrt{2}}\right)^2 + \left(\frac{1}{\sqrt{2}}\right)^2} = \sqrt{\frac{1}{2} + \frac{1}{2}} = \sqrt{1} = 1 ∥v∥=(2 1)2+(2 1)2 =21+21 =1 =1
2. 三维空间的单位向量:

在三维空间中,一个常见的单位向量是:
v = 0 0 1 \mathbf{v} = \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix} v= 001

  • 这个向量在 z z z 轴方向,并且它的长度为 1:
    ∥ v ∥ = 0 2 + 0 2 + 1 2 = 1 \|\mathbf{v}\| = \sqrt{0^2 + 0^2 + 1^2} = 1 ∥v∥=02+02+12 =1

另一个三维单位向量例子:
v = 1 2 1 2 2 2 \mathbf{v} = \begin{bmatrix} \frac{1}{2} \\ \frac{1}{2} \\ \frac{\sqrt{2}}{2} \end{bmatrix} v= 212122

这个向量的长度为:
∥ v ∥ = ( 1 2 ) 2 + ( 1 2 ) 2 + ( 2 2 ) 2 = 1 4 + 1 4 + 2 4 = 1 = 1 \|\mathbf{v}\| = \sqrt{\left(\frac{1}{2}\right)^2 + \left(\frac{1}{2}\right)^2 + \left(\frac{\sqrt{2}}{2}\right)^2} = \sqrt{\frac{1}{4} + \frac{1}{4} + \frac{2}{4}} = \sqrt{1} = 1 ∥v∥=(21)2+(21)2+(22 )2 =41+41+42 =1 =1

3. 任意向量标准化为单位向量:

假设有一个二维向量:
v = 3 4 \mathbf{v} = \begin{bmatrix} 3 \\ 4 \end{bmatrix} v=34

这个向量的长度为:
∥ v ∥ = 3 2 + 4 2 = 9 + 16 = 25 = 5 \|\mathbf{v}\| = \sqrt{3^2 + 4^2} = \sqrt{9 + 16} = \sqrt{25} = 5 ∥v∥=32+42 =9+16 =25 =5

我们可以将它标准化为单位向量 v ^ \hat{\mathbf{v}} v^:
v ^ = 1 5 3 4 = 3 5 4 5 \hat{\mathbf{v}} = \frac{1}{5} \begin{bmatrix} 3 \\ 4 \end{bmatrix} = \begin{bmatrix} \frac{3}{5} \\ \frac{4}{5} \end{bmatrix} v^=5134=5354

验证其长度:
∥ v ^ ∥ = ( 3 5 ) 2 + ( 4 5 ) 2 = 9 25 + 16 25 = 25 25 = 1 \|\hat{\mathbf{v}}\| = \sqrt{\left(\frac{3}{5}\right)^2 + \left(\frac{4}{5}\right)^2} = \sqrt{\frac{9}{25} + \frac{16}{25}} = \sqrt{\frac{25}{25}} = 1 ∥v^∥=(53)2+(54)2 =259+2516 =2525 =1

所以,单位向量 v ^ = 3 5 4 5 \hat{\mathbf{v}} = \begin{bmatrix} \frac{3}{5} \\ \frac{4}{5} \end{bmatrix} v^=5354 确实是长度为 1 的向量。

总结:

  • 单位向量是长度为 1 的向量,通常用于表示方向。
  • 任何非零向量都可以通过将其除以自身的长度来标准化为单位向量。
  • 在几何和物理学中,单位向量常用于表示物体的方向,而忽略其大小。
相关推荐
A.说学逗唱的Coke几秒前
【大模型专题】AI Copilot 完整实践指南:VSCode + GitHub Copilot Agent 模式全攻略
人工智能·vscode·copilot
旺财矿工1 分钟前
OpenClaw 飞书机器人配置教程|一键对接飞书,实现聊天下达 AI 指令
人工智能·机器人·飞书·openclaw·龙虾
力学与人工智能2 分钟前
论文分享 | 优化离散损失求解反问题:无需神经网络的快速精确学习
人工智能·神经网络·学习·优化·离散损失·反问题求解·快速准确学习
stephon_1001 小时前
Agent 接入 MCP 后上下文爆炸、工具选串?一种“按需激活“的工具加载方案(含实现)
人工智能·python·ai
TickDB1 小时前
统一行情 API 查 A 股、港股、美股和数字货币:code=0 不代表 symbol 一个没少
人工智能·python·websocket·mcp·行情数据 api
菜鸡爱玩4 小时前
线性代数矩阵相乘
线性代数·算法·矩阵
滴图服务-七七6 小时前
滴滴地图:精准定位赋能企业数字化转型
大数据·人工智能·地图服务·甲级测绘资质·商业授权
爱学习的程序媛7 小时前
2026上半年大模型全景技术解读:推理融合、Agent 爆发与多模态统一
人工智能·ai
A.说学逗唱的Coke8 小时前
【大模型专题】向量数据库深度解析:从原理到实战,构建企业级 AI 知识检索底座
数据库·人工智能
果丁智能8 小时前
智能锁赋能网约房民宿数字化管控:身份核验+远程授权,筑牢安全防线、降本增效
网络·数据库·人工智能·安全·智能家居